«Deep learning»: una evaluación crítica

Tal vendría a ser la traducción del título de este artículo con el que, mentándolo, hago contrapeso a opiniones enlatadas con sabor a gominola.

Por no dejarlo todo en dos líneas, enumero aquí los diez mayores retos (¿problemas?) que encuentra hoy en día el autor en el deep learning:

  1. Que necesita demasiados datos
  2. Que apenas tiene capacidad de transferencia (i.e., de trasladar lo aprendido en un contexto a otro)
  3. Que no sabe gestionar sistemas jerárquicos
  4. Que no es bueno infiriendo
  5. Que no es lo suficientemente transparente (en este punto cita, por supuesto, a nuestra autora favorita, Catherine O’Neill)
  6. No usa conocimiento previo (¡uh, uh, bayesianos!)
  7. No distingue correlación y causalidad (¿y quién sí?)
  8. Presume un mundo estable, inmutable
  9. Funciona bien como aproximación, pero no es enteramente fiable
  10. Plantea problemas de ingeniería, de integración con otros componentes para crear sistemas

2 comentarios sobre “«Deep learning»: una evaluación crítica

  1. Luz 30 enero, 2020 22:14

    11. Es aburrido. Crea red, prueba. Cambia topología, prueba. Cambia topología, prueba. Cambia topología, prueba…

  2. Jose Luis Cañadas Reche 30 enero, 2020 23:18

    Viva el Deep Lenin.

Los comentarios están desabilitados.